1.一种基于高阶递归注意力加权网络的人脸情绪识别方法，其特征在于，是构建HRAM‑CNN网络模型并对其进行人脸情绪识别的学习训练，再将待识别的图像输入训练好的HRAM‑CNN网络模型中，对各个图像进行情绪判断；

所述的HRAM‑CNN网络模型是将高阶递归注意力机制HRAM放入到卷积网络模型CNN的卷积层中；其中，CNN的输入层负责输入人脸情绪图像数据，卷积层负责提取图像数据特征，池化层负责对提取到的数据特征进行降维，全连接层是将降维的特征综合起来，输出层负责图像分类识别；在CNN卷积层的多个Block之后加入加入HRAM；

所述HRAM是在一阶空间相互作用基本操作后，通过引入高阶相互作用，构建三阶递归HW×C形式；设X∈R 为输入特征，则HRAM的基本操作如式1所示:其中， 是执行信道混合的线性投影层，f表示深度卷积，H表示特征矩阵的高度，W表示特征矩阵的宽度，C表示特征矩阵的深度，Avgpool表示平均池化，Linear表示全连接，P0表示投影特征，q0表示它的邻居特征；

Ωi是以i为中心的局部窗口，ω表示f的卷积权值。

2.如权利要求1所述的基于高阶递归注意力加权网络的人脸情绪识别方法，其特征在于，所述HRAM在执行时：首先使用 来获得一组投影特征P0和

然后，通过高阶递归地执行HRAM的基本操作：

Pk+1＝fk(qk)+fk(Pk)/α k＝0,1,2 (4)将输出按1/α缩放以稳定训练，{fk}是一组深度卷积层，{gk}用于按不同顺序匹配维数:最后，将第三个递归步骤qn的输出给投影层 以获得HRAM的结果。

3.如权利要求1或2所述的基于高阶递归注意力加权网络的人脸情绪识别方法，其特征在于，所述HRAM对输入尺寸大小为H×W×C的图像特征执行的操作为：

1)将图像特征通过一层卷积Conv1*1将通道维度从C升为2C；

2)然后将通道维度分为C/4和7C/4两部分，其中第一部分先经过一个全局平均池化Adaptive AvgPool、经过两层全连接FC，再进行Scale操作将前面得到的归一化权重加权到每个通道的特征上，得到该部分特征图；第二部分先经过一个深度卷积DW Conv，再将深度卷积后得到的图像特征图在通道维度拆分为C/4、C/2、C三份；

3)将第一部分得到的特征图与第二部分拆分得到的C/4特征图进行拼接，得到通道维度为C/2的特征图；

4)将通道维度为C/2的特征图经过一个Conv1*1卷积，实现跨通道的信息交互与整合；

再经过一个全局平均池化AdaptiveAvgPool、两层全连接FC，最后进行Scale操作将前面得到的归一化权重加权到每个通道的特征上，得到该部分特征图；

5)将步骤4)得到的特征图与第二部分拆分得到的C/2特征图进行拼接，得到通道维度为C的特征图；

6)将维度为C的特征图经过一个Conv1*1卷积，实现跨通道的信息交互与整合；再经过一个全局平均池化AdaptiveAvgPool、两层全连接FC，最后进行Scale操作将前面得到的归一化权重加权到每个通道的特征上，得到该部分特征图；

7)将步骤(6)得到的特征图与第二部分拆分得到的C特征图进行拼接，得到通道维度为

2C的特征图；

8)将维度为2C的特征图再经过一层卷积Conv1*1，将输入图像通道维度从2C降为C，得到输出图像特征图。

4.如权利要求1所述的基于高阶递归注意力加权网络的人脸情绪识别方法，其特征在于，所述的卷积网络模型CNN为VGG16模型，其卷积层被分为五个Block，每个Block都是多个Conv‑BN‑ReLU的组合；HRAM被加入到VGG16的后三个Block中；

输出层通过Softmax函数输出情绪类型，包括生气、蔑视、厌恶、恐惧、高兴、悲伤、惊讶；

其中Softmax函数用于分类过程中，它将多个神经元的输出映射到(0,1)区间，这些数值可以看作概率且概率总和为1，分别对应属于七种人脸情绪类型的概率。

5.如权利要求4所述的基于高阶递归注意力加权网络的人脸情绪识别方法，其特征在于，HRAM‑CNN网络模型包括特征提取器和分类器，其中特征提取器对输入图像的特征提取处理包括：

1)通过第一个Block提取图像的大致位置特征；

2)通过第二个Block提取人脸的轮廓特征；

3)在第三个Block后加入一个HRAM以提取人脸脸部特征，使得提取到的脸部特征更加细微；

4)通过第四个Block加入一个HRAM以提取包括眼睛倾斜角度、微闭程度、嘴巴张开角度和大小在内的细节信息特征；

5)第五个Block加入一个HRAM以提取图像的隐性特征；

分类器对提取的特征进行以下处理：先通过两层全连接将图像特征矩阵拉成一维，然后在输出层通过Softmax函数得到最终输出的情绪类型。

6.如权利要求1所述的基于高阶递归注意力加权网络的人脸情绪识别方法，其特征在于，所述HRAM‑CNN网络模型的训练学习包括以下操作：

1)以交叉熵损失函数为目标函数LOSS，Loss＝‑log(Pi)，Pi为第i个情绪信号的输出概率，定义每次迭代后所有数据的损失为LOSS， I为类别，J为每类的数量，i为第i类数据，j为第j个数据；

2)选用反向传播去调节网络参数，经过多轮迭代得到优异的网络参数；

首先实现网络的前向传播，并得到每一层每一个节点的输出值，其次确定网络的损失函数，在输出层计算出输出和样本值的残差，并分别计算出其他各层各节点的残差，最后分别求出损失函数对于权值和偏置的偏导数，根据梯度下降法更新权值和偏置；

3)使用ADAM优化器加速损失收敛速度；

4)通过多次网络训练，得到效果优异的网络模型以及网络模型的参数。